简单的分析却可以发现不简单的结果。今天小编给大家分享的就是这么一篇文章，它于今年1月份刚刚发表在Clinical Cancer Research (IF: 10.107)，文章题目为：用于胰腺癌诊断的蛋白multi-marker面板的开发和多重验证。
图1. 文章标题
文章创新点：
该文章开发了包含14种蛋白的multi-marker面板，用于检测和诊断胰腺导管腺癌（PDAC）。该面板在训练集和验证集的AUC分别是0.977和0.953，独立验证组中AUC为0.928。与单独使用碳水化合物抗原(CA)相比，multi-marker组的诊断性能有显著改善。当multi-marker面板与碳水化合物抗原19-9 (CA 19-9)组合时，诊断性能明显提高。对于PDAC的早期检测，本研究中发现的强效生物标志物可能在改善PDAC患者预后方面发挥重要作用。
实验设计：
该文章共使用了来自多个医疗中心的959例患者的血浆样本。首先用261例PDAC样本和290例对照样本构成训练集，来开发multi-marker面板。后续使用65例PDAC样本和72例对照样本构成的验证集来进行评估。最后，在由75例PDAC样本和47例对照样本组成的独立验证集中进行了进一步的验证。
文章背景：
胰腺导管腺癌 (PDAC) 是一种难以早期发现的致命疾病，总体5年生存率低于10%。
CA 19-9是FDA批准的唯一用于PDAC临床管理的血液生物标志物（金标准）。但由于CA 19-9的敏感性和特异性不足，限制了它在一般筛查中的诊断性能。因此，有必要开发一种可用于所有PDAC患者的具有更高敏感性和特异性的生物标志物。
多项研究表明，联合使用多种生物标志物是一种有效的治疗策略，可提高诊断的准确性、敏感性和特异性。
近年来，基于质谱分析 (MS)的靶向蛋白质组学方法（如多反应监测-质谱(MRM-MS)）被广泛应用于生物标志物的开发。
文章结果：
一、数据集的描述和预处理：
（1）数据来源：该研究使用的靶向蛋白质组（MRM-MS）数据集来源于先前的研究，包含来自1008个血浆样本的定量数据（如图2所示）。临床血浆样本是从五个韩国医疗中心（NCC, SNUH, SMC, AMC, YSH）招募来的401例PDAC患者、109例良性胰腺疾病、149例其他癌症、49例其他良性疾病和300例健康对照。
（2）数据集的重新配置：作者将PDAC患者归为疾病组，而良性胰腺疾病患者和健康对照归为对照组，并将来自四个医学中心（NCC, SNUH SMC, YSH）的样本随机地分为训练集——由261例PDAC和290例对照组成，以及验证集——由65例PDAC和72例对照组成。将来自AMC医疗中心的样本作为独立验证集，包括75例PDAC和47例对照。为了进行亚组分析，作者构建了一个来自SNUH的额外数据集，包含除了50例PDAC以外的149个其他癌症病例（乳腺癌、结肠癌和甲状腺癌）。
（3）数据预处理：包括两个步骤。第一步是选择高强度蛋白质以减少分析的变异性。将原始MRM-MS数据导入Skyline，去除峰值强度低于以下标准的数据 (峰值强度< 1,000)。共有11个候选生物标志物被移除，只剩下57个生物标志物。第二步是转换数据类型，以提高分布的正态性。为了确保每个标志物的正态分布，进行了三种不同类型的转换:(i)原始; (ii)log(x+ 10 − 10); 和 (iii)平方根。然后使用R包e1071中的skewness函数计算每个标志物的偏度值。在整个过程中，13个肽段被移除，44个候选生物标志物保留下来。
图2. 整体研究设计
二、开发基于蛋白的multi-marker面板：
（1）开发方法：为了构建具有最优预测性能的multi-marker面板，作者使用P值逐步选择对训练集进行logistic回归分析。采用逐步选择方法，建立了一个由14个蛋白标志物所组成的面板。逐步筛选multi-marker面板中的所有标志物均与PDAC预测显著相关(P < 0.05)。
（2）训练集中的诊断性能比较：作者评估了使用multi-marker面板区分PDAC病例与对照组时的诊断性能，并将multi-marker面板的结果与单独使用CA 19-9的诊断性能进行了比较。multi-marker面板预测的PDAC患者的最佳阈值为0.576（由约登指数确定）。在训练集中，multi-marker面板产生的AUC为0.977 (95% CI=0.967-0.987)，其显著高于单独使用CA19-9的AUC (AUC=0.872, 95% CI=0.838-0.907; P < 0.001, DeLong检验)。multi-marker面板的敏感性为90.4%，特异性为95.9%，高于单独使用CA 19-9的敏感性 (69.7%)，但特异性略低 (98.6%; 如图3a)。
（3）验证集中的诊断性能比较：在验证集中，面板的AUC值也显著高于单独使用CA 19-9 (0.953, 95% CI=0.914-0.991 vs. 0.832, 95% CI=0.754-0.910;P < 0.01，DeLong检验)。敏感性为84.6%，特异性为94.4%，与单独CA 19-9 (66.2%)相比，multi-marker面板的敏感性有很大提高，而特异性水平稍低 (98.6%;如图3 b)。这些结果表明，multi-marker面板在新的数据集合中取得了更好的诊断性能。
（4）multi-marker面板和CA 19-9组合后的诊断性能：通过研究multi-marker面板与CA 19-9结合是否能提高诊断性能来检验multi-marker面板对CA 19-9的补充能力。发现组合后的分类性能在训练集和验证集均达到最佳AUC值 (训练集的AUC=0.989, 95% CI=0.981-0.996，验证集的AUC=0.972, 95% CI=0.944-0.999)。敏感性分别为92.7%和86.2%，特异性分别为98.3%和97.2%。这些结果表明，与单独使用CA 19-9来区分PDAC患者与健康对照组或良性胰腺疾病患者相比，将CA 19-9纳入multi-marker面板可以提高AUC和敏感性。(如图3C和D)
图3. Multi-marker面板、组合面板和单独的CA 19-9用于训练和验证集的诊断性能
三、使用独立数据集验证诊断性能：
（1）multi-marker面板与CA 19-9的性能比较：在独立验证集中，multi-marker面板鉴别PDAC病例与对照组的AUC为0.928 (95% CI=0.885-0.971)，敏感性为81.3%，特异性为89.4%。multi-marker组的AUC显著高于单独CA 19-9组 (0.771, 95% CI=0.687-0.856; P < 0.001, DeLong检验)。multi-marker面板在敏感性方面优于CA 19-9，尽管特异性较低 (如图4 a)。
（2）multi-marker面板和CA 19-9组合后的诊断性能：包含CA 19-9的multi-marker面板的AUC为0.952 (95% CI=0.918-0.985)，显著高于单独的CA 19-9 (P < 0.001, DeLong检验)。multi-marker面板结合CA 19-9的敏感性也高于单独CA 19-9 (89.3% vs. 61.3%)，但特异性较低 (87.2% vs. 95.7%; 如图3 b)。
图4. 在独立验证集中multi-marker面板、组合面板和CA 19-9的诊断性能
四、亚组分析：
CA 19-9的主要局限性是它可能在患有其他恶性肿瘤的患者表达上调，如卵巢癌、肝癌和结肠直肠癌。CA 19-9的非特异性表达使得其不能可靠地诊断PDAC。因此，我们评估了multi-marker面板将PDAC病例与其他癌症病例区分开来的能力。我们从SNUH获得了包含PDAC病例和其他癌症病例 (50例PDAC病例和149例其他癌症病例) 的额外数据集（包括52例乳腺癌，45例结肠癌，52例甲状腺癌）。
该额外数据集的结果表明，multi-marker面板的AUC为0.946 (95% CI=0.916-0.976)，高于单独使用CA 19-9的AUC为0.886 (95% CI=0.820-0.952)，敏感性从76%提高到92%。然而，multi-marker面板的特异性低于单独使用CA 19-9 (79.2% vs. 92.6%)。包含使用的组合面板比不含使用的multi-marker面板有更大的改善，AUC为0.968 (95% CI=0.945-0.991)。敏感性为98%，特异性提高到82.6%。
文章回顾：
本研究开发了一个包含14个蛋白的multi-marker面板来诊断PDAC，并在两个验证组中进行测试，研究了MRM-MS检测的临床适用性。multi-marker面板在训练集中比起CA 19-9来说有了显著的改善，AUC值为0.977，敏感性为90.4%，特异性为95.9%；在验证集中multi-marker面板也有较高的诊断性能，AUC值为0.953，敏感性为84.6%，特异性为94.4%。当使用独立验证集进行评估时，multi-marker面板也显示出较高的AUC值为0.928，敏感性为81.3%，特异性为89.4%。尽管单独使用CA 19-9始终具有较高的特异性，但multi-marker面板在AUC和敏感性方面都优于CA 19-9。multi-marker面板对训练集的识别性能与验证集和独立验证集的结果一致。这些结果表明，该研究所开发的multi-marker面板具有临床应用潜力，并有可能在临床实践中补充CA 19-9作为诊断标志物。
网友评论